1、分類號TP391密級公開UDC004學號20130613005青海師范大學碩士學位論文基于LBP和PCA的脫機手寫藏文字符識別系統(tǒng)研究生姓名蔡曉娟導師姓名（職稱）黃鶴鳴，教授申請學位類別理學碩士學科專業(yè)名稱計算機應用技術研究方向名稱模式識別與智能系統(tǒng)論文提交日期2016年3月論文答辯日期2016年5月學位授予單位青海師范大學學位授予日期2016年6月答辯委員會主席評閱人，I基于LBP和PCA的脫機手寫藏文字符識別系統(tǒng)摘要隨著模式識別技術

2、的不斷發(fā)展，藏文字符圖像的理解日益成為人們研究的熱點脫機手寫藏文字符的識別也隨之吸引了許多學者的目光。目前，關于脫機手寫藏文字符識別的研究成果甚少，在此，筆者對其進行了進一步的研究。本文樣本選自數據庫THCDB，且樣本已經進行了預處理，所以本文的研究重點是藏文字符的特征提取和分類器設計。特征提取就是保留對識別有用的信息，去除噪音及冗余信息，盡可能提高特征的有效性，使其更加簡潔化。本文首先提出了藏文字符的局部二元模式（LBP）直方圖特征。

3、這種特征的識別率較好，但不足之處是其特征空間的維數較大，識別速度較慢。所以，對局部二元模式（LBP）直方圖特征進行主成分分析（PCA）來對特征空間進行降維，利用降維后的特征向量作為藏文字符的特征。實驗表明：當新特征空間的維數為196維時，藏文字符的識別率最優(yōu)。分類器設計是建立識別系統(tǒng)不可或缺的一部分，K近鄰（KNN）是一種原理簡單、易于操作的分類器，所以脫機手寫藏文字符識別中，首先采用了KNN分類器對藏文字符進行識別。在對30個藏文輔音

4、字母的識別實驗中，識別率達到了96.04%。為了繼續(xù)提高藏文字符的識別率，本文進一步采用支持向量機（SVM）分類器對藏文字符進行分類，支持向量機分類器中不同的核函數影響著藏文字符的識別效果，實驗表明：當分類器采用徑向基支持向量機（RbfSVM）時，藏文字符的識別率最高為97.93%?？傊?，本文采用融合了局部二元模式（LBP）直方圖和主成分分析（PCA）的特征提取方法，并使用RbfSVM分類器對脫機手寫藏文字符進行識別，達到了較好的識別效